Question

使用rvest软件包从网页上抓取文字时，某些段落返回空值，但不应返回。

该网页为： https://www.legifrance.gouv.fr/affichTexte.do?cidTexte=LEGITEXT000005620562

我想要“文章”下的段落，因此我将“ .article p”用作CSS选择器。它应该返回9个段落（因为它们是填充物，所以应该为5）。我确实有9个段落，但有8个是空的！

page=read_html("https://www.legifrance.gouv.fr/affichTexte.do?cidTexte=LEGITEXT000005620562")
html_text(html_nodes(page,".article p"))

我会发布一个屏幕截图，但是我没有足够的声誉... 运行此行将返回一个包含9个字符串的向量，但它们为空，例如第8个。第1、3和5段应包含文本，但此处显示为空。

谢谢大家的时间。

编辑：有一点背景：我需要从该网站上抓取很多页面，以获得文章的核心文本，以便对其进行语言分析。

“。article p” CSS选择器可以在大多数页面上很好地工作，但是某些段落的内容为空。

Answer 1

为什么不做这样的事情？

library(tidyverse)
library(rvest)
#> Loading required package: xml2
#> 
#> Attaching package: 'rvest'
#> The following object is masked from 'package:purrr':
#> 
#>     pluck
#> The following object is masked from 'package:readr':
#> 
#>     guess_encoding


page <- read_html("https://www.legifrance.gouv.fr/affichTexte.do?cidTexte=LEGITEXT000005620562")

page %>% 
  html_nodes(".article") %>% 
  html_text() %>% 
  str_remove_all(pattern = "\nArticle\\s[0-9]")
#> [1] " En savoir plus sur cet article...\n\n   Sont désignées comme gares ferroviaires ouvertes au trafic international au sens de l'article 35 quater de l'ordonnance du 2 novembre 1945 susvisée au titre desquelles peuvent être créées des zones d'attente les gares suivantes :\n   Lille-Europe, Lille-Flandres, Aulnoye, Strasbourg, Thionville, Forbach, Metz, Sarreguemines, Pontarlier, Morteau, Modane, Cerbère, Nice, Hendaye, Calais-Fréthun, Paris-Gare du Nord, Paris-Gare de l'Est, Paris-Gare de Lyon.\n "
#> [2] " En savoir plus sur cet article...\n\n   Le présent arrêté abroge les dispositions de l'arrêté du 4 mai 1995 désignant les gares ferroviaires ouvertes au trafic international.\n\n "                                                                                                                                                                                                                                                                                                                                
#> [3] "\nLes préfets et, à Paris, le préfet de police sont chargés, chacun en ce qui le concerne, de l'exécution du présent arrêté, qui sera publié au Journal officiel de la République française.\n\n "

^{由reprex package（v0.2.1）于2019-01-21创建}

Rvest返回空段

1 个答案: